무선 패킷 트레이스용 파운데이션 모델을 구축할 때 더 중요한 것은 토크나이저인가, 아키텍처인가, 아니면 둘 다인가? 이 질문에 답하기 위해, 802.11 트레이스에 대한 프로토콜 인식 토큰화를 도입한 PLUME Anonymous [2026]을 기반으로 한다. 모델 깊이를 확장하고 동일한 토크나이저를 근본적으로 다른 아키텍처 계열로 이전한다. 더 깊은 GPT(PLUME-DEEP, 24층)는 top-1 정확도 98.2%에 도달하며, 원래 12층 설계 대비 32점 향상을 보인다. 한편 Mamba-2 상태 공간(state-space) 변형(PLUME-MAMBA)은 96.1%를 달성하면서 처리량은 1.7배 높고 컨텍스트는 2배 길다. 핵심 통찰은 토크나이저와 아키텍처에 걸친 통제된 2x2 비교에서 도출된다: 토크나이저를 바꾸면 정확도가 32점 변동하고, 아키텍처를 바꾸면 2점만 변동한다. 프로토콜 인식 토큰화가 주요 성능 레버이며, 백본은 정확도와 속도를 절충하는 배포 조절 요소가 된다.
기존 무선 네트워크는 순간 채널 상태 정보(CSI)에 의존하며 물리적 환경을 명시적으로 모델링하지 않고 채널 변동에 반응하기 때문에, 동적 배치에서 차단(blockage), 이동성(mobility), 간섭(interference)을 처리하는 능력이 제한된다. 통합 감지 및 통신(Integrated Sensing and Communication, ISAC)과 같은 패러다임은 감지(sensing) 기능을 추가하지만 명시적인 환경 모델링과 의사결정이 부족하다. 본 논문에서는 Physical-AI를 제안한다. 이는 데이터 전송 외에도 무선 신호가 환경에 대한 감지, 모델링, 상호작용을 가능하게 하는 환경 인지 무선 네트워킹을 위한 새로운 아키텍처이다. 이 프레임워크는 분산 무선 관측을 공유 잠재 환경 표현으로 변환하기 위한 자기지도 학습(self-supervised) 시공간(spatiotemporal) 무선 파운데이션 모델을 제안한다. 다수의 추론 헤드(inference head)가 이 표현 위에서 동작하여 차단, 사용자 분포, 이동성 역학, 간섭 구조 등 핵심 환경 특성을 추정한다. 과제별(task-specific) 신경망 의사결정 층이 이 표현을 선제적이고 컨텍스트 인지(context-aware) 제어 동작으로 매핑한다. 지각(perception), 세계 모델링(world modeling), 의사결정을 폐루프(closed loop)로 통합함으로써, 제안 프레임워크는 ISAC을 넘어 Physical-AI를 지능형 6G 시스템을 위한 유망한 아키텍처로 자리매김한다. 시뮬레이션 결과는 제안된 예측 프레임워크가 특히 빔 전환(beam-switching) 지연이 증가할수록 서비스 중단(outage) 확률과 차단 대응 지연시간을 감소시킴을 보여준다.